用户输入query: str # 搜索关键词，如 "large language model agent"max_papers: int # 最多爬几篇论文# 中间结果papers: List[dict] # 爬到的论文列表errors: List[str] # 出错记录# 翻译结果translated_abstracts: List[str] # 翻译后的中文摘要# 最终产出final_repo

你不用再为每个工具写胶水代码了。定义好 Tool 的 schema → Agent 自己决定什么时候调用、传什么参数、怎么利用返回值。给你的工具加Resources（比如把数据库表结构暴露为 resource，Agent 启动时就能感知上下文）尝试架构——一个 Agent 同时连文件系统 Server + 数据库 Server + API Server，协作完成复杂任务关注 MCP 的进展——一旦

PDF翻译的技术栈比想象中深得多——从底层的PDF格式解析、到中间的版面分析模型、到上层的翻译引擎选型和文字替换策略，每一环都有坑。能翻但排版崩的（Google翻译、百度翻译）——适合纯文本阅读，不适合需要保留原始格式的场景排版好但要付费的（DeepL）——质量天花板，免费额度几乎等于没有免费+排版好+不注册的（PDFTranslator）——用了ChatGPT引擎+原生PDF重建，目前免费工具箱

在2026年的今天，我们拥有前所未有的强大模型，但很多团队的交付周期反而变长了。本该是创造智能应用，结果80%的时间都在做“搬运工”。当你同时接入文本、图像和视频模型后，这种重复不是线性增加，而是指数级增长。你会发现，自己不再是创造产品的工程师，而是一个被迫翻译不同模型语言的“搬运工”。通过 Crun 这种将多模态模型统一成 Task（任务） 接口的方式，开发者面对的不再是十几个风格迥异的文档，而